R语言单因素方差分析与TukeyHSD检验实践

1. 方差分析基础与实验设计

单因素方差分析(One-way ANOVA)是研究分类自变量对连续因变量影响程度的经典统计方法。当我们需要比较三个或更多组别间的均值差异时，t检验已不再适用，此时方差分析展现出独特优势。其核心思想是通过分解总变异为组间变异和组内变异，判断组间差异是否显著大于组内差异。

假设我们有一组植物生长数据，比较三种不同肥料(A/B/C)对植株高度的影响。实验设计需满足三个前提条件：

1. 独立性：不同组别的观测值相互独立
2. 正态性：各组数据近似服从正态分布
3. 方差齐性：各组方差基本相等

实际操作中可通过Shapiro-Wilk检验正态性，用Bartlett检验方差齐性。当样本量较大时(每组>30)，正态性要求可适当放宽。

2. R语言实现单因素方差分析

2.1 数据准备与可视化

首先模拟一组实验数据：

r复制set.seed(123)
height <- c(rnorm(30, mean=15, sd=2),  # 肥料A
            rnorm(30, mean=18, sd=2.5), # 肥料B
            rnorm(30, mean=20, sd=3))   # 肥料C
fertilizer <- rep(c("A","B","C"), each=30)
plant_data <- data.frame(height, fertilizer)

使用ggplot2进行初步可视化：

r复制library(ggplot2)
ggplot(plant_data, aes(x=fertilizer, y=height, fill=fertilizer)) +
  geom_boxplot() +
  labs(title="不同肥料处理的植株高度比较")

2.2 方差分析执行与解读

执行单因素方差分析：

r复制model <- aov(height ~ fertilizer, data=plant_data)
summary(model)

典型输出示例：

code复制            Df Sum Sq Mean Sq F value   Pr(>F)    
fertilizer   2  450.2  225.10   3